CN117311376A - 一种应用于旋转飞行器的自适应神经网络过载驾驶方法 - Google Patents

Abstract

本发明公开了一种应用于旋转飞行器的自适应神经网络过载驾驶方法，包括：构建旋转飞行器动态系统模型；基于旋转飞行器动态系统模型，构建慢回路控制器和快回路控制器，根据参考过载信号获取控制指令；旋转飞行器在控制指令的情况下进行飞行；其中，所述慢回路控制器，以过载信号作为输入信号，获取期望角速度，所述快回路控制器，以期望角速度作为输入信号，获取控制指令。本发明公开的应用于旋转飞行器的自适应神经网络过载驾驶方法，实现了对过载指令的精确跟踪。

Description

一种应用于旋转飞行器的自适应神经网络过载驾驶方法

技术领域

本发明涉及一种应用于旋转飞行器的自适应神经网络过载驾驶方法，属于制导控制领域。

背景技术

旋转飞行器具有控制系统简约、结构紧凑、生产成本低廉等优势。

然而旋转飞行器在飞行过程中面临诸多非线性干扰，并且模型参数受气动力特性的影响随机变化，导致旋转飞行器的控制系统输入设计存在较大误差。

此外旋转飞行器俯仰和偏航方向上的动力学耦合以及弹体不对称因素会引起周期干扰，易使旋转飞行器陷入锥型运动形式的动不稳定状态，从而使其在飞行过程中失稳。

因此，有必要对旋转飞行器的制导方法进行更为深入的研究，以解决上述问题。

发明内容

为了克服上述问题，本发明人进行了深入研究，提出了一种基于自适应扰动观测器的神经网络过载驾驶方法，包括：

构建旋转飞行器动态系统模型；

基于旋转飞行器动态系统模型，构建慢回路控制器和快回路控制器，根据参考过载信号获取控制指令；

旋转飞行器在控制指令下进行飞行；

其中，所述慢回路控制器，以过载信号作为输入信号，获取期望角速度，包括第一跟踪器、第一伪逆反馈控制器、第一镇定控制器、第一扰动观测器和第一神经网络；

所述快回路控制器，以期望角速度作为输入信号，获取控制指令，包括第二跟踪器、第二伪逆反馈控制器、第二镇定控制器、第二扰动观测器和第二神经网络；

所述跟踪器用于根据输入信号获取参考信号及其微分的估计值，所述伪逆反馈控制器用于根据参考指令获取名义指令，所述镇定控制器用于使控制器输出稳定，所述扰动观测器用于观测回路控制总扰动，所述神经网络用于对控制器中的未建模动态进行逼近。

在一个优选的实施方式中，所述旋转飞行器动态系统模型表示为：

其中，、、、为系统的状态变量，表示过载状态，表示姿态状态，表示速度状态，表示控制指令；

，

其中，符号表示系统未建模动态，表示俯仰、偏航方向外部扰动，表示滚转方向外部扰动，表示俯仰方向的过载，表示偏航方向的过载，表示弹道倾角，表示俯仰角，表示飞行速度，表示俯仰舵偏角信号，表示偏航舵偏角信号，、为中间变量，表示静稳定导数，表示动压，表示飞行器参考面积，表示参考长度，表示俯仰转动力矩，表示偏航方向马格努斯力矩，表示滚转角，表示弹体直径，表示转动惯量，表示阻尼力矩系数导数，表示舵操纵效率，表示升力系数，表示飞行器质量，表示推力、表示马格努斯力系数的二阶偏导数，表示舵机的增益，表示滚转条件下的舵机增益，表示舵机响应滞后的总延迟角。

在一个优选的实施方式中，所述第一跟踪器为非线性快速跟踪微分器。

在一个优选的实施方式中，所述第一伪逆反馈控制器表示为：

其中，表示名义角速度指令。

在一个优选的实施方式中，所述第一镇定控制器设置为：

其中，、为控制系数，表示控制器误差在俯仰方向上的分量，表示控制器误差在偏航方向上的分量。

在一个优选的实施方式中，所述第一神经网络为RBF神经网络。

在一个优选的实施方式中，在慢回路控制器中，获得的期望角速度表示为：

其中，为第一伪逆反馈控制器的输出，表示第一镇定控制器的输出，表示对俯仰、偏航方向系统扰动的估计值，表示第一神经网络对未建模动态的估计。

在一个优选的实施方式中，所述快回路控制器中，所述第二跟踪器为非线性快速跟踪微分器，第二跟踪器的输入信号为期望角速度。

在一个优选的实施方式中，所述第二伪逆反馈控制器表示为：

其中，表示标称控制率。

在一个优选的实施方式中，在快回路控制器中，获得的控制指令表示为：

其中，表示第二伪逆反馈控制器的输出，表示第一镇定控制器的输出，表示对滚转方向系统扰动的估计值，表示第二神经网络对未建模动态的估计。

本发明所具有的有益效果包括：

（1）实现了对过载指令的精确跟踪；

（2）针对系统中存在的未建模动态，采用自适应神经网络实现了对未知函数的精确逼近，并采用修正的自适应律，保证了自适应参数的有界性；

（3）实现了总扰动的精确重构，为精确的前馈补偿提供基础。

附图说明

图1示出根据本发明一种优选实施方式的应用于旋转飞行器的自适应神经网络过载驾驶方法流程示意图；

图2示出根据本发明一种优选实施方式的应用于旋转飞行器的自适应神经网络过载驾驶方法框架结构示意图；

图3示出实施例1中姿态角速度变化曲线仿真结果；

图4示出实施例1中舵偏信号的变化曲线仿真结果；

图5示出实施例1中第一扰动观测器对总扰动的估计曲线；

图6示出实施例1中第二扰动观测器对总扰动的估计曲线；

图7示出实施例1与对比例1、对比例2中过载跟踪曲线仿真结果对比图；

图8示出实施例1与对比例1、对比例2中过载跟踪误差曲线仿真结果对比图。

具体实施方式

下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

根据本发明提供的一种应用于旋转飞行器的自适应神经网络过载驾驶方法，包括：

构建旋转飞行器动态系统模型；

基于旋转飞行器动态系统模型，构建慢回路控制器和快回路控制器，根据参考过载信号获取控制指令；

旋转飞行器在控制指令下进行飞行；

其中，所述慢回路控制器，以过载信号作为输入信号，获取期望角速度，包括第一跟踪器、第一伪逆反馈控制器、第一镇定控制器、第一扰动观测器和第一神经网络；

所述快回路控制器，以期望角速度作为输入信号，获取控制指令，包括第二跟踪器、第二伪逆反馈控制器、第二镇定控制器、第二扰动观测器和第二神经网络；

所述跟踪器用于获取参考信号及其微分的估计值，所述伪逆反馈控制器用于根据参考指令获取名义指令，所述镇定控制器用于使控制器输出稳定，所述扰动观测器用于观测回路控制总扰动，所述神经网络用于对控制器中的未建模动态进行逼近。

根据本发明，所述旋转飞行器动态系统模型表示为：

其中，、、、为系统的状态变量，表示过载状态，表示姿态状态，表示速度状态，表示控制指令；

，

其中，符号表示系统未建模动态，表示俯仰、偏航方向外部扰动，表示滚转方向外部扰动，表示俯仰方向的过载，表示偏航方向的过载，表示弹道倾角，表示俯仰角，表示飞行速度，表示俯仰舵偏角信号，表示偏航舵偏角信号，、为中间变量，表示静稳定导数，表示动压，表示飞行器参考面积，表示参考长度，表示俯仰转动力矩，表示偏航方向马格努斯力矩，表示滚转角，表示弹体直径，表示转动惯量，表示阻尼力矩系数导数，表示舵操纵效率，表示升力系数，表示飞行器质量，表示推力、表示马格努斯力系数的二阶偏导数，表示舵机的增益，表示滚转条件下的舵机增益，表示舵机响应滞后的总延迟角。

根据本发明，表示了慢回路控制器的不确定性，即过载回路不确定性，表示了快回路控制器的不确定性，即姿态回路不确定性

优选地，舵机响应滞后的总延迟角和滚转条件下的舵机增益表示为：

其中，为时间常数，为阻尼比，表示指令解算延迟时间。

根据本发明设置的旋转飞行器动态系统模型，在本发明中，针对过载状态设置慢回路控制器，针对姿态状态设置快回路控制器，从而获得最终的控制指令。

根据本发明一个优选的实施方式，所述第一跟踪器为非线性快速跟踪微分器，所述第一跟踪器的输入信号为过载信号，表示为，其中，表示俯仰过载参考信号，表示偏航过载参考信号，

获取的参考信号为参考过载信号，获取的参考信号的微分估计值表示为。

传统的轨迹线性化控制中常采用二阶伪逆微分器来获取参考过载信号以及参考过载信号的微分估计。然而，由于初始误差较大，二阶伪逆微分器的参数不容易确定，一旦选择不当，常引起峰值现象，导致获取的信号的出现超调。而以超调的信号作为后续的控制量，将造成系统发散，在本发明中，采用非线性快速跟踪微分器，能够有效避免上述问题。

在一个优选的实施方式中，所述非线性快速跟踪微分器表示为：

其中，表示不同的时刻，表示微分器增益，表示微分器解算步长，表示fhan函数。

根据本发明一个优选的实施方式，所述第一伪逆反馈控制器表示为：

其中，表示名义角速度指令。

在所述慢回路控制器中，设置控制器误差为过载状态量与参考过载信号之间的误差，表示为：，误差动态设置为：

其中，为第一镇定控制器的输出，所述第一镇定控制器采用比例积分控制。

进一步地，所述第一镇定控制器设置为：

其中，、为控制系数，表示控制器误差在俯仰方向上的分量，表示控制器误差在偏航方向上的分量。

根据本发明，在所述第一镇定控制器中，设置增广回路跟踪误差为，则误差增广系统的动态为：

其中，、为系数矩阵，优选地，可以通过对误差动态进行线性化获得，具体的，将误差动态沿标称轨迹线性化得到：

其中，。

所述增广回路跟踪误差描述了输出变量与期望输出变量之间的差异，用于优化控制器的输入，使得控制器的输出变量更接近期望值。

在所述第一伪逆反馈控制器中，设置期望回路误差为，其中可通过极点配置得到，并满足，其中，为第一伪逆反馈控制器的期望闭环特征值。

所述期望回路误差描述了期望状态与实际状态之间的差异之间的差异，用于优化控制器的输入，使得系统状态更接近期望值。

在本发明中，所述第一神经网络为RBF神经网络，RBF神经网络为一种已被广泛使用的神经网络，其可实现对未知函数的逼近。

进一步地，所述第一神经网络表示为：

其中，表示慢回路控制器中的未建模动态，为第一神经网络的输出，为第一神经网络的输入，设置为，为第一神经网络的权重，为第一神经网络的逼近误差，为不同高斯函数的输出，下标表示网络输入的个数，表示网络隐含层第个神经元，表示高斯函数，表示第一神经网络中隐含层第个神经元高斯基函数中心点的坐标向量，表示第一神经网络中隐含层第个神经元高斯基函数的宽度。

根据本发明，所述第一扰动观测器表示为：

其中表示的估计值，表示估计误差，为第一扰动观测器待设计增益，，，表示对俯仰、偏航方向系统扰动的估计值，表示对未建模动态的估计，为第一扰动观测器自适应增益矩阵，表示滑模变量。

进一步地，所述自适应增益矩阵表示为，其更新率为：

。

根据本发明，在慢回路控制器中，获得的期望角速度表示为：

其中，为第一伪逆反馈控制器的输出，表示第一镇定控制器的输出，表示对俯仰、偏航方向系统扰动的估计值，表示第一神经网络对未建模动态的估计。其中，、可通过第一扰动观测器获得。

在慢回路控制中，通过滑模控制获得总扰动，具体地，包含第一神经网络的逼近误差和外部扰动的总扰动，

设计如下的滑模变量：

根据设计的和滑模变量可得：

令

其中，为自适应增益矩阵。

进一步的，设置自适应增益矩阵为，其更新率为：

对进行求导可得一阶滑模动态：

其中，可视为系统扰动，当进入滑动模态后有，即

，进一步可得：

即在固定时间内实现对总扰动的重构。

根据本发明，在所述快回路控制器中，所述第二跟踪器为非线性快速跟踪微分器，第二跟踪器的输入信号为期望角速度，获取的参考信号为参考期望角速度信号，获取的参考期望角速度信号的微分估计值表示为。

优选地，所述第二跟踪器与第一跟踪器的结构相同。

进一步地，所述第二伪逆反馈控制器表示为

其中，表示标称控制率。

根据本发明，在所述快回路控制器中，设置控制器误差为姿态状态量与期望角速度之间的误差，表示为：，误差动态设置为：

其中，为第二镇定控制器的输出，所述第二镇定控制器采用比例积分进行控制。

进一步地，所述第二镇定控制器设置为：

其中，、为控制系数，表示控制器误差在俯仰方向上的分量，表示控制器误差在偏航方向上的分量。

进一步地，根据本发明，在所述第二镇定控制器中，设置增广回路跟踪误差为，则误差增广系统的动态为：

其中，、为系数矩阵，优选地，可以通过对误差动态进行线性化获得。

在所述第二伪逆反馈控制器中，设置期望回路误差为，其中、、、可通过极点配置得到，并满足，其中，、为第二伪逆反馈控制器的期望闭环特征值。

根据本发明一个优选的实施方式，所述第二神经网络为RBF神经网络。

进一步地，所述第二神经网络表示为：

其中，表示快回路控制器中的未建模动态，为第二神经网络的输出，为第二神经网络的输入，设置为，为第二神经网络的权重，为第二神经网络的逼近误差，为不同高斯函数的输出，下标表示网络输入的个数，表示网络隐含层第个神经元，表示高斯函数，表示第二神经网络中隐含层第个神经元高斯基函数中心点的坐标向量，表示第二神经网络中隐含层第个神经元高斯基函数的宽度。

根据本发明，所述第二扰动观测器表示为：

其中表示的估计值，表示估计误差，为第二扰动观测器待设计增益，表示对滚转方向系统扰动的估计值，表示对第二神经网络未建模动态的估计，为第二扰动观测器自适应增益矩阵，表示滑模变量。

所述第二扰动观测器自适应增益矩阵表示为，其更新率为：

。

根据本发明，在快回路控制器中，获得的控制指令表示为：

其中，表示第二伪逆反馈控制器的输出，表示第一镇定控制器的输出，表示对滚转方向系统扰动的估计值，表示第二神经网络对未建模动态的估计。

实施例

实施例1

进行模拟实验，获取旋转飞行器过载驾驶的控制指令，包括以下步骤：

构建旋转飞行器动态系统模型；

基于旋转飞行器动态系统模型，构建慢回路控制器和快回路控制器，根据参考过载信号获取控制指令；

旋转飞行器在控制指令的情况下进行飞行；

其中，所述慢回路控制器，以过载信号作为输入信号，获取期望角速度，包括第一跟踪器、第一伪逆反馈控制器、第一镇定控制器、第一扰动观测器和第一神经网络；

所述快回路控制器，以期望角速度作为输入信号，获取控制指令，包括第二跟踪器、第二伪逆反馈控制器、第二镇定控制器、第二扰动观测器和第二神经网络；

所述旋转飞行器动态系统模型表示为：

舵机响应滞后的总延迟角和滚转条件下的舵机增益表示为：

所述第一跟踪器为非线性快速跟踪微分器，表示为：

所述第一伪逆反馈控制器表示为：

所述第一镇定控制器设置为：

设置增广回路跟踪误差为，则误差增广系统的动态为：

设置期望回路误差为，其中通过极点配置得到，并满足，。

所述第一神经网络表示为：

所述第一扰动观测器表示为：

所述自适应增益矩阵表示为，其更新率为：

在慢回路控制器中，获得的期望角速度表示为：

在所述快回路控制器中，所述第二跟踪器为非线性快速跟踪微分器，所述第二跟踪器与第一跟踪器的结构相同。

所述第二伪逆反馈控制器表示为

所述第二镇定控制器设置为：

设置增广回路跟踪误差为，则误差增广系统的动态为：

设置期望回路误差为，其中通过极点配置得到，并满足，。

所述第二神经网络表示为：

所述第二扰动观测器表示为：

第二扰动观测器自适应增益矩阵表示为，其更新率为：

最终获得的控制指令表示为：

仿真过程中，设置参数如下：

参考信号选择幅值为，频率为0.1Hz的方波信号。未建模动态选取为，。外部扰动选取为

仿真过程中，设置：，设置第一神经网络和第二神经网络隐含层节点数为4，

，神经网络的权重初值设置为：

第一扰动观测器和第二扰动观测器中，参数设置如下：

仿真结果如图3-6所示。

其中，图3示出了姿态角速度变化曲线仿真结果，从图中可以看出实际角速度变化能够快速精确跟踪虚拟控制量，虚拟控制量的设计过程中，实现了对扰动和不确定性的前馈补偿，有效抑制过载回路中非匹配扰动和不确定性的不良影响。

图4示出了舵偏信号的变化曲线仿真结果，从图中可以看出，所获得的舵偏信号平滑，在稳定跟踪阶段满足饱和约束。

图5示出了第一扰动观测器对总扰动的估计曲线，图6示出了第二扰动观测器对总扰动的估计曲线，从图中可以看出，观测器能够精确估计总扰动，提高了驾驶仪的鲁棒性。

对比例1

进行与实施例1相同的实验，区别在于，不设置第一扰动观测器、第二扰动观测器，即获得的期望角速度为：，获得的控制指令为：。

对比例2

进行与实施例1相同的实验，区别在于，采用传统的PI反馈过载驾驶仪进行，所述PI反馈过载驾驶仪的具体结构可参考文献LI K, YANG S, ZHAO L. Stability ofspinning missiles with an acceleration autopilot [J]. Journal of Guidance,Control, and Dynamics, 2012, 35(3): 774-786.。

对比实施例1与对比例1、对比例2的仿真结果，如图7-8所示。

其中，图7示出了过载跟踪曲线仿真结果，从图中可以看出，实施例1中的方法相较于对比例1以及对比例2，具有更好的跟踪精度，并且对未建模动态和扰动具有一定的鲁棒性。

图8示出了过载跟踪误差曲线仿真结果，从图中可以更直观的看出，实施例1中的方法具有更高的精度。

以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。

Claims (10)

1.一种应用于旋转飞行器的自适应神经网络过载驾驶方法，其特征在于，包括：

构建旋转飞行器动态系统模型；

基于旋转飞行器动态系统模型，构建慢回路控制器和快回路控制器，根据参考过载信号获取控制指令；

旋转飞行器在控制指令下进行飞行；

其中，所述慢回路控制器，以过载信号作为输入信号，获取期望角速度，包括第一跟踪器、第一伪逆反馈控制器、第一镇定控制器、第一扰动观测器和第一神经网络；

所述快回路控制器，以期望角速度作为输入信号，获取控制指令，包括第二跟踪器、第二伪逆反馈控制器、第二镇定控制器、第二扰动观测器和第二神经网络；

所述跟踪器用于根据输入信号获取参考信号及其微分的估计值，所述伪逆反馈控制器用于根据参考指令获取名义指令，所述镇定控制器用于使控制器输出稳定，所述扰动观测器用于观测回路控制总扰动，所述神经网络用于对控制器中的未建模动态进行逼近。

2.根据权利要求1所述的应用于旋转飞行器的自适应神经网络过载驾驶方法，其特征在于，

所述旋转飞行器动态系统模型表示为：

；

其中，、、、为系统的状态变量，表示过载状态，表示姿态状态，表示速度状态，表示控制指令；

，

，，，，，，，

其中，符号表示系统未建模动态，表示俯仰、偏航方向外部扰动，表示滚转方向外部扰动，表示俯仰方向的过载，表示偏航方向的过载，表示弹道倾角，表示俯仰角，表示飞行速度，表示俯仰舵偏角信号，表示偏航舵偏角信号，为中间变量，表示静稳定导数，表示动压，表示飞行器参考面积，表示参考长度，表示俯仰转动力矩，表示偏航方向马格努斯力矩，表示滚转角，表示弹体直径，表示转动惯量，表示阻尼力矩系数导数，表示舵操纵效率，表示升力系数，表示飞行器质量，表示推力、表示马格努斯力系数的二阶偏导数，表示舵机的增益，表示滚转条件下的舵机增益，表示舵机响应滞后的总延迟角。

3.根据权利要求2所述的应用于旋转飞行器的自适应神经网络过载驾驶方法，其特征在于，

所述第一跟踪器为非线性快速跟踪微分器。

4.根据权利要求2所述的应用于旋转飞行器的自适应神经网络过载驾驶方法，其特征在于，

所述第一伪逆反馈控制器表示为：

，

其中，表示名义角速度指令。

5.根据权利要求2所述的应用于旋转飞行器的自适应神经网络过载驾驶方法，其特征在于，

所述第一镇定控制器设置为：

，

其中，为控制系数，表示控制器误差在俯仰方向上的分量，表示控制器误差在偏航方向上的分量。

6.根据权利要求2所述的应用于旋转飞行器的自适应神经网络过载驾驶方法，其特征在于，

所述第一神经网络为RBF神经网络。

7.根据权利要求2所述的应用于旋转飞行器的自适应神经网络过载驾驶方法，其特征在于，

在慢回路控制器中，获得的期望角速度表示为：

，

，

其中，为第一伪逆反馈控制器的输出，表示第一镇定控制器的输出，表示对俯仰、偏航方向系统扰动的估计值，表示第一神经网络对未建模动态的估计。

8.根据权利要求2所述的应用于旋转飞行器的自适应神经网络过载驾驶方法，其特征在于，

所述快回路控制器中，所述第二跟踪器为非线性快速跟踪微分器，第二跟踪器的输入信号为期望角速度。

9.根据权利要求2所述的应用于旋转飞行器的自适应神经网络过载驾驶方法，其特征在于，

所述第二伪逆反馈控制器表示为：

，

其中，表示标称控制率。

10.根据权利要求2所述的应用于旋转飞行器的自适应神经网络过载驾驶方法，其特征在于，

在快回路控制器中，获得的控制指令表示为：

，

，

其中，表示第二伪逆反馈控制器的输出，表示第一镇定控制器的输出，表示对滚转方向系统扰动的估计值，表示第二神经网络对未建模动态的估计。